本发明专利技术公开了一种风电出力预测方法、装置、电子设备及存储介质。该方法包括：采集目标风电场在预设历史时间段内的目标风电出力历史数据；将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测数据；其中，目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；样本风电出力预测结果基于待优化风电出力预测模型对样本风电出力历史数据预测得到。采用差分进化算法对待优化风电出力预测模型的网络参数进行自适应调节，优化网络结构，充分发挥了神经网络的优势，减小了现有网络训练放在参数调整方面所需消耗的时间与精力。时间与精力。时间与精力。
【技术实现步骤摘要】
一种风电出力预测方法、装置、电子设备及存储介质
[0001]本专利技术涉及电力预测
，尤其涉及一种风电出力预测方法、装置、电子设备及存储介质。
技术介绍
[0002]随着全球能源短缺和环境问题的日益严重，风能作为一种清洁、无污染、分布广泛、易于开发利用的可再生能源，受到了广泛关注。准确可靠的短期风电功率预测不仅可以帮助风电场进行工作规划，还可以减少风电接入对电网的影响，是风能利用中的关键之一。现有的风电预测技术需要手动调节神经网络参数，消耗大量时间与精力，且对于风电出力的预测效果不佳。
技术实现思路
[0003]本专利技术提供了一种风电出力预测方法、装置、电子设备及存储介质，以解决参数调整困难的问题，利用改进差分进化算法根据预测结果自适应调节风电出力预测网络的参数，优化网络结构，充分发挥神经网络的优势，减小参数调整方面所需消耗的时间与精力，提升对于风电出力的预测效果。
[0004]根据本专利技术的一方面，提供了一种风电出力预测方法，包括：
[0005]采集目标风电场在预设历史时间段内的目标风电出力历史数据；
[0006]将所述目标风电出力历史数据输入目标风电出力预测模型中，获得所述目标风电出力预测模型输出的所述目标风电场的目标风电出力预测数据；
[0007]其中，所述目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；所述样本风电出力预测结果基于所述待优化风电出力预测模型对样本风电出力历史数据预测得到。
[0008]进一步的，在将所述目标风电出力历史数据输入目标风电出力预测模型中之前，包括：
[0009]采集目标风电场的样本风电出力历史数据；
[0010]构建待优化风电出力预测模型，所述待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；
[0011]将所述样本风电出力历史数据输入所述待优化风电出力预测模型得到样本风电出力预测结果；
[0012]基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化。
[0013]进一步的，所述基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化，包括：
[0014]基于所述样本风电出力预测结果对所述CNN网络的第一参数进行调整；
[0015]基于所述样本风电出力预测结果对所述LSTM预测网络的第二参数进行调整；
[0016]确定所述样本风电出力预测结果和所述样本风电出力历史数据的对称平均绝对百分比误差；
[0017]根据以所述对称平均绝对百分比误差为目标函数的差分进化算法，确定所述待优化风电出力预测模型中的所述CNN网络和所述LSTM预测网络的最优参数。
[0018]进一步的，所述对称平均绝对百分比误差，包括：
[0019][0020]其中：SMAPE为对称平均绝对百分比误差，是样本风电出力预测数据，y
i
为样本风电出力历史数据，n为样本风电出力历史数据的数据量。
[0021]进一步的，所述第一参数包括：CNN网络中的学习率、批处理样本数和最大迭代次数；
[0022]所述第二参数包括：LSTM预测网络中的隐藏层神经元个数、丢弃率和时间滞后阶数。
[0023]进一步的，所述CNN网络表示为：
[0024]O
t
＝σ(W*x
t
+b)；
[0025]其中，W表示卷积核；x
t
表示目标风电场的第二风电出力历史数据构成的时间序列；*表示离散卷积运算符；b表示偏置参数；σ表示激活函数；O
t
表示卷积运算后输出的特征数据。
[0026]根据本专利技术的另一方面，提供了一种风电出力预测装置，包括：
[0027]目标数据采集模块，用于采集目标风电场在预设历史时间段内的目标风电出力历史数据；
[0028]目标数据预测模块，将所述目标风电出力历史数据输入目标风电出力预测模型中，获得所述目标风电出力预测模型输出的所述目标风电场的目标风电出力预测数据；
[0029]其中，所述目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；所述样本风电出力预测结果基于所述待优化风电出力预测模型对样本风电出力历史数据预测得到。
[0030]进一步的，所述装置还包括：
[0031]样本数据采集模块，用于在将所述目标风电出力历史数据输入目标风电出力预测模型中之前，采集目标风电场的样本风电出力历史数据；
[0032]预测模型构建模块，用于构建待优化风电出力预测模型，所述待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；
[0033]样本数据预测模块，用于将所述样本风电出力历史数据输入所述待优化风电出力预测模型得到样本风电出力预测结果；
[0034]参数优化模块，用于基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化。
[0035]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0036]至少一个处理器；以及
[0037]与所述至少一个处理器通信连接的存储器；其中，
[0038]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的风电出力预测方法。
[0039]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的风电出力预测方法。
[0040]本专利技术实施例的技术方案，通过采集目标风电场在预设历史时间段内的目标风电出力历史数据；将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据；其中，目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；样本风电出力预测结果基于待优化风电出力预测模型对样本风电出力历史数据预测得到。采用差分进化算法对待优化风电出力预测模型的网络参数进行自适应调节，优化网络结构，充分发挥了神经网络的优势，减小了现有网络训练放在参数调整方面所需消耗的时间与精力，且使网络参数的调整更精确，提升了对于风电出力的预测效果。
[0041]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风电出力预测方法，其特征在于，包括：采集目标风电场在预设历史时间段内的目标风电出力历史数据；将所述目标风电出力历史数据输入目标风电出力预测模型中，获得所述目标风电出力预测模型输出的所述目标风电场的目标风电出力预测数据；其中，所述目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；所述样本风电出力预测结果基于所述待优化风电出力预测模型对样本风电出力历史数据预测得到。2.根据权利要求1所述的方法，其特征在于，在将所述目标风电出力历史数据输入目标风电出力预测模型中之前，包括：采集目标风电场的样本风电出力历史数据；构建待优化风电出力预测模型，所述待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；将所述样本风电出力历史数据输入所述待优化风电出力预测模型得到样本风电出力预测结果；基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化。3.根据权利要求2所述的方法，其特征在于，所述基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化，包括：基于所述样本风电出力预测结果对所述CNN网络的第一参数进行调整；基于所述样本风电出力预测结果对所述LSTM预测网络的第二参数进行调整；确定所述样本风电出力预测结果和所述样本风电出力历史数据的对称平均绝对百分比误差；根据以所述对称平均绝对百分比误差为目标函数的差分进化算法，确定所述待优化风电出力预测模型中的所述CNN网络和所述LSTM预测网络的最优参数。4.根据权利要求3所述的方法，其特征在于，所述对称平均绝对百分比误差，包括：其中：SMAPE为对称平均绝对百分比误差，是样本风电出力预测数据，y
i
为样本风电出力历史数据，n为样本风电出力历史数据的数据量。5.根据权利要求3所述的方法，其特征在于，所述第一参数包括：CNN网络中的学习率、批处理样本数和最大迭代次数；所述第二参数包括：LSTM预测网络中的隐藏层神经元个数、丢弃率和时间滞后阶数。6.根据权利要求...
【专利技术属性】
技术研发人员：孟毓，吕嘉文，郭瑞，李永超，董弋荻，严飞，廖家文，
申请(专利权)人：上海电力设计院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。